本公開屬于金融風(fēng)險管理，特別涉及一種基于大模型的風(fēng)控策略挖掘方法及裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著金融科技的迅猛發(fā)展，金融機(jī)構(gòu)面臨著日益復(fù)雜的市場環(huán)境和監(jiān)管要求，風(fēng)險控制成為了保障金融穩(wěn)定和持續(xù)發(fā)展的關(guān)鍵環(huán)節(jié)。

2、傳統(tǒng)的風(fēng)險控制策略往往依賴人工經(jīng)驗判斷和簡單的統(tǒng)計模型，這在數(shù)據(jù)量爆炸式增長的今天顯得捉襟見肘。因此，迫切需要一種更加智能、高效、靈活的風(fēng)險控制策略挖掘方法，以應(yīng)對不斷變化的市場狀況和風(fēng)險管理需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種基于大模型的風(fēng)控策略挖掘方法及裝置、設(shè)備及存儲介質(zhì)，可以針對各種業(yè)務(wù)場景生成精準(zhǔn)的風(fēng)控策略挖掘模型，從而生成更加科學(xué)合理的風(fēng)控策略。

2、一方面，提供了一種基于大模型的風(fēng)控策略挖掘方法，包括：

3、獲取樣本數(shù)據(jù)；

4、提取所述樣本數(shù)據(jù)的特征信息，以形成第一特征信息集合；

5、對所述第一特征信息集合進(jìn)行篩選，以生成第二特征信息集合；

6、基于所述第二特征信息集合獲取模型訓(xùn)練算法；

7、基于所述第二特征信息集合對應(yīng)的樣本數(shù)據(jù)和所述模型訓(xùn)練算法生成風(fēng)控策略挖掘模型；

8、基于所述風(fēng)控策略挖掘模型生成風(fēng)控策略。

9、可選地，對所述第一特征信息集合進(jìn)行篩選，以生成第二特征信息集合，包括：

10、對所述第一特征信息集合中的特征信息的重要性進(jìn)行評分；

11、對所述第一特征信息集合中的特征信息進(jìn)行統(tǒng)計摘要分析，以確定各個特征信息之間的相關(guān)性；

12、基于所述第一特征信息集合中特征信息的評分和相關(guān)性，對所述第一特征信息集合中的特征信息進(jìn)行篩選，以形成第二特征信息集合。

13、可選地，基于所述第二特征信息集合獲取模型訓(xùn)練算法，包括：

14、基于業(yè)務(wù)需求和樣本數(shù)據(jù)確定模型性能指標(biāo)；

15、基于所述模型性能指標(biāo)從算法庫中獲取模型訓(xùn)練算法，所述算法庫中存儲有預(yù)先設(shè)置的多種模型訓(xùn)練算法。

16、可選地，基于所述第二特征信息集合對應(yīng)的樣本數(shù)據(jù)和所述模型訓(xùn)練算法生成風(fēng)控策略挖掘模型，包括：

17、基于所述模型訓(xùn)練算法和所述第二特征信息集合對應(yīng)的樣本數(shù)據(jù)訓(xùn)練初始風(fēng)控策略挖掘模型；

18、對所述初始風(fēng)控策略挖掘模型進(jìn)行評估，以確定所述初始風(fēng)控策略挖掘模型的性能指標(biāo)是否滿足要求，在所述初始風(fēng)控策略挖掘模型的性能指標(biāo)滿足要求時，將初始風(fēng)控策略挖掘模型作為風(fēng)控策略挖掘模型進(jìn)行輸出。

19、另一方面，提供了一種基于大模型的風(fēng)控策略挖掘裝置，包括：

20、獲取模塊，用于獲取樣本數(shù)據(jù)；基于所述第二特征信息集合獲取模型訓(xùn)練算法；

21、提取模塊，用于提取所述樣本數(shù)據(jù)的特征信息，以形成第一特征信息集合；

22、篩選模塊，用于對所述第一特征信息集合進(jìn)行篩選，以生成第二特征信息集合；

23、生成模塊，用于基于所述第二特征信息集合對應(yīng)的樣本數(shù)據(jù)和所述模型訓(xùn)練算法生成風(fēng)控策略挖掘模型；基于所述風(fēng)控策略挖掘模型生成風(fēng)控策略。

24、可選地，所述篩選模塊用于：

25、對所述第一特征信息集合中的特征信息的重要性進(jìn)行評分；

26、對所述第一特征信息集合中的特征信息進(jìn)行統(tǒng)計摘要分析，以確定各個特征信息之間的相關(guān)性；

27、基于所述第一特征信息集合中特征信息的評分和相關(guān)性，對所述第一特征信息集合中的特征信息進(jìn)行篩選，以形成第二特征信息集合。

28、可選地，所述獲取模塊用于：

29、基于業(yè)務(wù)需求和樣本數(shù)據(jù)確定模型性能指標(biāo)；

30、基于所述模型性能指標(biāo)從算法庫中獲取模型訓(xùn)練算法，所述算法庫中存儲有預(yù)先設(shè)置的多種模型訓(xùn)練算法。

31、可選地，所述生成模塊用于：

32、基于所述模型訓(xùn)練算法和所述第二特征信息集合對應(yīng)的樣本數(shù)據(jù)訓(xùn)練初始風(fēng)控策略挖掘模型；

33、對所述初始風(fēng)控策略挖掘模型進(jìn)行評估，以確定所述初始風(fēng)控策略挖掘模型的性能指標(biāo)是否滿足要求，在所述初始風(fēng)控策略挖掘模型的性能指標(biāo)滿足要求時，將初始風(fēng)控策略挖掘模型作為風(fēng)控策略挖掘模型進(jìn)行輸出。

34、另一方面，提供了一種電子設(shè)備，包括如上任一項所述的基于大模型的風(fēng)控策略挖掘裝置。

35、另一方面，提供了一種計算機(jī)可讀存儲介質(zhì)，，所述計算機(jī)可讀存儲介質(zhì)中存儲有至少一條程序代碼，所述程序代碼由處理器執(zhí)行以實現(xiàn)如上任一項所述的基于大模型的風(fēng)控策略挖掘方法。

36、本公開提供的技術(shù)方案帶來的有益效果是：

37、在本公開實施例中，提供了一種風(fēng)控策略挖掘方法，該方法通過對樣本數(shù)據(jù)分析后得到樣本數(shù)據(jù)的特征信息，并對樣本數(shù)據(jù)的特征信息進(jìn)行篩選，根據(jù)篩選后的特征信息獲取模型訓(xùn)練算法，從而生成風(fēng)控策略挖掘模型，從而提升風(fēng)控策略挖掘模型與業(yè)務(wù)場景的匹配度，提升風(fēng)控策略挖掘模型的精確度，從而生成與業(yè)務(wù)場景更契合的風(fēng)控策略。

技術(shù)特征：

1.一種基于大模型的風(fēng)控策略挖掘方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于大模型的風(fēng)控策略挖掘方法，其特征在于，對所述第一特征信息集合進(jìn)行篩選，以生成第二特征信息集合，包括：

3.根據(jù)權(quán)利要求1所述的基于大模型的風(fēng)控策略挖掘方法，其特征在于，基于所述第二特征信息集合獲取模型訓(xùn)練算法，包括：

4.根據(jù)權(quán)利要求1所述的基于大模型的風(fēng)控策略挖掘方法，其特征在于，基于所述第二特征信息集合對應(yīng)的樣本數(shù)據(jù)和所述模型訓(xùn)練算法生成風(fēng)控策略挖掘模型，包括：

5.一種基于大模型的風(fēng)控策略挖掘裝置，其特征在于，包括：

6.根據(jù)權(quán)利要求5所述的一種基于大模型的風(fēng)控策略挖掘裝置，其特征在于，所述篩選模塊用于：

7.根據(jù)權(quán)利要求5所述的一種基于大模型的風(fēng)控策略挖掘裝置，其特征在于，所述獲取模塊用于：

8.根據(jù)權(quán)利要求5所述的一種基于大模型的風(fēng)控策略挖掘裝置，其特征在于，所述生成模塊用于：

9.一種電子設(shè)備，其特征在于，包括如權(quán)利要求5至8任一項所述的基于大模型的風(fēng)控策略挖掘裝置。

10.一種計算機(jī)可讀存儲介質(zhì)，其特征在于，所述計算機(jī)可讀存儲介質(zhì)中存儲有至少一條程序代碼，所述程序代碼由處理器執(zhí)行以實現(xiàn)如權(quán)利要求1至4任一項所述的基于大模型的風(fēng)控策略挖掘方法。

技術(shù)總結(jié)
本發(fā)明提供了一種基于大模型的風(fēng)控策略挖掘方法及裝置、設(shè)備及存儲介質(zhì)。該方法包括：獲取樣本數(shù)據(jù)；提取所述樣本數(shù)據(jù)的特征信息，以形成第一特征信息集合；對所述第一特征信息集合進(jìn)行篩選，以生成第二特征信息集合；基于所述第二特征信息集合獲取模型訓(xùn)練算法；基于所述第二特征信息集合對應(yīng)的樣本數(shù)據(jù)和所述模型訓(xùn)練算法生成風(fēng)控策略挖掘模型；基于所述風(fēng)控策略挖掘模型生成風(fēng)控策略。可以生成更加精確的風(fēng)控策略挖掘模型用于生成風(fēng)控策略。

技術(shù)研發(fā)人員：汪大磊,王興偉,徐浩,彭一凡,周凱歌
受保護(hù)的技術(shù)使用者：武漢眾邦銀行股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9